8 kiến trúc RAG cho Kỹ sư AI: (được giải thích với cách sử dụng) 1) RAG Ngây thơ ↳ Lấy tài liệu chỉ dựa trên sự tương đồng vector giữa nhúng truy vấn và các nhúng đã lưu trữ. ↳ Hoạt động tốt nhất cho các truy vấn đơn giản, dựa trên sự thật, nơi mà việc khớp ngữ nghĩa trực tiếp là đủ. 2) RAG Đa phương thức ↳ Xử lý nhiều loại dữ liệu (văn bản, hình ảnh, âm thanh, v.v.) bằng cách nhúng và truy xuất qua các phương thức. ↳ Lý tưởng cho các nhiệm vụ truy xuất chéo phương thức như trả lời một truy vấn văn bản với cả ngữ cảnh văn bản và hình ảnh. 3) HyDE (Nhúng Tài liệu Giả thuyết) ↳ Các truy vấn không tương đồng ngữ nghĩa với tài liệu. ↳ Kỹ thuật này tạo ra một tài liệu trả lời giả thuyết từ truy vấn trước khi truy xuất. ↳ Sử dụng nhúng của tài liệu được tạo ra này để tìm các tài liệu thực tế có liên quan hơn. 4) RAG Sửa chữa ↳ Xác thực các kết quả đã truy xuất bằng cách so sánh chúng với các nguồn đáng tin cậy (ví dụ: tìm kiếm trên web). ↳ Đảm bảo thông tin cập nhật và chính xác, lọc hoặc sửa chữa nội dung đã truy xuất trước khi chuyển cho LLM. 5) RAG Đồ thị ↳ Chuyển đổi nội dung đã truy xuất thành một đồ thị tri thức để nắm bắt các mối quan hệ và thực thể. ↳ Tăng cường khả năng suy luận bằng cách cung cấp ngữ cảnh có cấu trúc bên cạnh văn bản thô cho LLM. 6) RAG Lai ↳ Kết hợp truy xuất vector dày đặc với truy xuất dựa trên đồ thị trong một quy trình duy nhất. ↳ Hữu ích khi nhiệm vụ yêu cầu cả dữ liệu văn bản không có cấu trúc và dữ liệu quan hệ có cấu trúc để có câu trả lời phong phú hơn. 7) RAG Thích ứng...